医疗健康行业长期忍受的“数据孤岛”问题，如今已成为不容忽视的课题。这是因为保险公司、医疗机构和患者各自掌握的信息呈分散结构，这已成为引入人工智能（AI）的最大障碍。
随着加拿大的数据移动性相关立法以及美国医疗保险和医疗补助服务中心（CMS）的新标准强制化等监管变化接连出现，医疗数据整合的必要性进一步增大。TELUS Health的全球业务开发副总裁法瓦德·沙伊克诊断称，进入2026年，这种碎片化结构已达到“无法再容忍”的程度。他表示，新冠疫情期间暴露的运营失败清楚地显示了数据割裂的代价。
AI普及的前提是“数据就绪度”
TELUS Health的医疗数据整顿工作并非始于AI战略，而是从改进报告体系出发。在过去5年间，公司经历了12次并购整合，每次交易都在公司内部积累了不同的遗留系统，在覆盖200多个国家和地区的运营结构中，数据分散在11个来源中。
该公司利用主数据管理、元数据管理以及预构建的自动化连接器，将这些数据整合到一个单一平台上。结果，客户报告撰写时间减少了80%，每位咨询人员每年节省约15小时。这不仅仅是简单的数据迁移，而是为AI运营铺设了新的基础。
Quantiphi的谷歌云业务全球负责人索拉布·米什拉评价该项目是与以往数据整合任务不同层面的工作。他表示，这更接近于为全球医疗健康平台打造“新的神经网络”，并解释说其核心在于基于数据的专业性、高级平台工程能力以及对医疗信息保护的行业理解。
在集成平台上扩展AI应用案例
Quantiphi表示，他们利用自身基于AI的软件工程代理“Codeaira”加快了构建速度。基础奠定之后，TELUS Health开始创建用于解决特定业务问题的可重用数据产品，这进而演变为将AI代理应用于实际工作的可扩展实验空间。
其中一个典型例子是医疗服务提供者付款处理的自动化。通过应用相同的微服务架构，直接替代了外部第三方供应商。另一个例子是医生收件箱管理。在医院环境中，电子传真和各种文档附件蜂拥而至，通过自动匹配患者和文档，并在没有现有档案时自动创建新档案的方式，减少了工作量。
沙伊克副总裁表示，一旦进入能够基于这些整理好的数据训练AI代理的阶段，应用案例便迅速增加。他特别强调，医生收件箱的自动化已将相关的处理负担降低了一半。
医疗AI竞争，最终由数据结构决定
这一案例表明，医疗健康行业引入AI并非仅仅是模型性能的问题。在医疗现场，敏感的个人信息、复杂的法规以及各机构不同的系统结构相互交织，因此“数据就绪度”本身很可能成为决定竞争力的关键因素。
最终有分析认为，医疗AI的普及，与其说取决于能多快推出新服务，不如说取决于能否以安全且标准化的方式连接分散的信息。后疫情时代医疗健康行业所面临的变化核心，也恰恰在于这一点。
TP AI 注意事项 本文使用基于 TokenPost.ai 的语言模型进行摘要。正文的主要信息可能存在遗漏或与事实不符的情况。